计算出 ∂Q∂a=9a2 且 ∂Q∂b=−2b

我们定义Q=3a3−b2, 则可以计算出 ∂Q∂a=9a2 且 ∂Q∂b=−2b, 然后我们将a，b的值带入就可以计算出对应的梯度值。

import torch

x = torch.tensor(3, dtype=torch.float32, requires_grad=True)
y = torch.tensor(4, dtype=torch.float32, requires_grad=True)
b = torch.tensor(5, dtype=torch.float32, requires_grad=True)
z = x*y + b
"Z = xy"
print(z)
z.backward()
print(z.requires_grad, x.grad, y.grad, b.grad)
#调用线性包
from matplotlib import pyplot as plt
import torch

data_x = [1, 2, 3]#创建数据
data_y = [2, 4, 6]
loss_list = list()#损失的列表  创建list函数
a_list = list()

alpha = 0.01  #调线性图像系数

#预测值运算
def forward(x):
   return a * x

def lossFunction(x, y):
   y_pred = forward(x)#预测值
   loss = (y_pred - y) ** 2 #损失值，将预测值减去真实值得平方
   return loss

if __name__ == '__main__':
   a = torch.Tensor([7.0])# 数据节点
   a.requires_grad = True #requires_grad必须为True，才能求偏导
   for epoch in range(1000):#梯度
   # for a in np.arange(0, 4, 0.1):
       sum_loss = 0
       for i in range(3):
           sum_loss += lossFunction(data_x[i], data_y[i])#获取data_x，data_y列表数据
           l = lossFunction(data_x[i],data_y[i])
           l.backward()
           a.data = a.data - alpha*a.grad #梯度运算
           a.grad = None
           a_list.append(a.data)
           # a = gradient(a, data_x[i], data_y[i])
       loss_list.append(sum_loss / 3)#取平均数
   #输出数据，图像显示
   print(a_list)
   plt.subplot(211)
   plt.plot(a_list)
   plt.subplot(212)
   plt.plot(loss_list)
   plt.show()